📦 4 Parts
👉 滑动
PART 01
等拼重复
业务问题·不按目录来
PART 02
三项能力
问数·盯看板·月报
PART 03
可信
依据在眼前·权限在场
PART 04
持续使用
99%准确率·判断留人
白皮书把 HR 数据分析智能体排在未来 12 个月重点的第一位,59.5%。滴滴交的作业是:BP 把问题说清楚,AI 把数据工作组织起来,判断留给人。
今天上午发布的白皮书里,HR 们把未来 12 个月的建设重点排了个序,第一名是 HR 数据分析智能体,59.5%。下午,滴滴交的正是这份作业。
滴滴不缺报表。传统 BI 工具早就有了,指标也沉淀了上百个。缺的是另一种东西:业务的问题,从来不会按报表的目录出现。滴滴 HR 团队做的这个数据智能体,想解决的不是有没有数据,而是问题和数据之间那段路,太长了。
讲者来自滴滴 产研团队。她的开场没有放产品,先放了一句每个 BP 都说过的话。
01
PART
业务之问
QUESTIONS
业务的问题,不会按报表的目录出现
“收到,我马上拉个表看一下。”
这句话背后是三种日常。第一种叫等支持:部门规划会上,业务负责人问,去年团队入职了多少校招生、表现怎么样。数据明明在系统里,BP 当场却拿不出来,只能先应下来,会后再拉表。业务已经问到下一层,数据还在等待准备,换一个分析角度,又是一轮排期和响应。
第二种叫拼数据。跨维度的问题,BI 里没有现成的:校招生的高潜、高绩效表现,指标不支持,就下明细自己算;看离职原因,要把 A 表、B 表、C 表下下来手动拼。讨论还没开始,表已经拼了几轮。好不容易拼完,业务又问一句:换一类人呢?换一个时间呢?
第三种叫重复做。组织人才月报每个月都要出,分析的思路几乎不变,可找数、整理、作图,每个月都要从头再来一遍。
从人员变化到人才盘点、组织复盘,这些问题反复发生在 HRBP 的每一天。滴滴的出发点,是把数据分析的主动权交回给每一个 HRBP,缩短从有一个业务问题,到形成业务决策之间的距离。
02
PART
组织数据
ORGANIZE
BP 把问题说清楚,AI 把数据工作组织起来
解法一句话:BP 把问题说清楚,AI 把数据工作组织起来。
HR 数据智能体接过一项数据工作,分四步:理解问题,组织查询,观察与补充,图表与解读。它结合企业的业务口径,在权限范围内组织查询,交付的结果要能核对、能追问、能继续使用。留下的工作成果有三件:问数与口径,回应临时问题;数据看板,保存确认过的查询,持续观察;组织月报和人才报告,承接周期性的整理与专题分析。
落到能力上是三件。第一是问数:一句话,获得数据与解读。BP 说清问题,智能体识别指标、时间与组织范围,把图表、明细、口径和解读一并交付。口径是透明的,指标定义可查看,觉得不合适,按需调整。
第二是盯看板:把一次查询,变成持续关注。问得好的图,一键沉淀钉到看板上,同时把这次的查询口径存下来;每个 BP 按自己的工作重点组合指标,数据按已保存的口径自动刷新。一次确认口径,就形成持续追踪。
第三是组织人才月报和人才报告:从数据收集,到结构化报告。月报看三件事,目标协同、组织效能、人才活力,每一项标注关注等级,整体稳定、建议关注、局部关注;结论要结合业务核对,智能体只做辅助判断。
这三件能力背后,是一套 ReAct 的工作方式:先规划,再执行,看过实际返回,再决定下一步。讲者举的例子是一句再普通不过的追问:“把最后一个月的离职按部门拆开,再和前一个月比一比。”智能体先规划查询,统一统计口径,把它拆成可执行的取数任务;再调用工具,分别取两个月的部门离职数据;然后观察结果,两期是否齐全,部门和统计口径能不能对齐,需要补充的补查,能交付的才组织成部门对比和分析解读。一句追问,背后是一项数据任务。
03
PART
可信边界
TRUST
可信,靠把依据和权限摆在明处
数据智能体最难的不是答得出,是答得可信。滴滴的做法,是把依据放到眼前,把判断留在手里。
每一份结果,都要说清三件事:指标口径,核对统计对象与计算规则;分析范围,明确时间、组织与筛选条件;结果依据,两期查询返回的数据关联起来,保留核对线索。结果要能核对,口径要能调整。大屏上特意标注,示例图里的部门离职对比是示意数据,不是实际业务数据。BP 看完结果的下一步,是看见变化,再理解原因:数据说明变化,具体原因,需要结合业务事实核实。讲者反复强调的边界是:AI 承接取数与整理,人,保留业务判断。
另一半是权限。HR 数据是全公司最敏感的数据之一,滴滴的原则写在大屏上:模型决定怎样完成任务,系统决定哪些动作允许执行。权限不靠提示词约束,走全链路校验:每一次调用都要校验,先确认用户身份、组织范围、对象权限,听懂一个名字,不等于获得一份数据的访问权;查询前先识别身份和数据范围,没有权限,任务直接停止;规划时,无权限的工具不开放给模型调用;执行时,每一次调用重新检查权限,追问、补数也不绕过,上下文可以沿用,每次请求仍要通过校验。没有对象权限时,请求员工档案,查询直接停止,不返回未授权的员工数据。
问题可以继续,权限边界始终在场。
04
PART
持续使用
IMPACT
从“能用”,走向“持续使用”
效果从效率、质量、使用三个维度验证。
效率:问数场景从 10 分钟级降到分钟级,分析与报告场景从小时级降到分钟级;移动端上线后,随时可以查。质量分开验:传统 BI 的数据指标,全量覆盖支持,100%;指标类问询准确率 99%;开放类问询,也就是过去口径不支持、要靠 OpenSQL 自定义计算口径的问题,准确率 85%,并且开放查询只限非敏感、权限允许的数据。使用上,全公司的 BP 角色已经开放,覆盖国内和海外、多语言用户;有稳定且持续使用的高价值用户占比在往上走,管理者角色正在试点开放。下一步是更灵活的数据分析:框架升级、自定义查询与分析口径、线上线下数据融合。
两位导师的点评,一位提醒交付只是起点:数据交付是 HR 数据团队和业务建立信任的基石,但只有交付不够,用户可能没体感,要把深度分析固化进智能体,比如离职不能只给一个离职率,要回答这是不是问题,是个案还是系统性问题。另一位看重它的开放性和后劲:建议建反馈机制,把每个人的对话记录、说话习惯沉淀下来,优化问题解析和数据召回;同时提醒,等它跨出 HR、面向更多业务管理者,要把管理者思考的逻辑融入查询过程,而不只是给数据本身。
滴滴想推动的变化,写在最后一页:从等数据、做报表、解释结果,到即时提问,即时理解,持续行动。讲者的收尾句是:“把时间还给 BP,把执行交给 AI,把判断留给人类。”
素材来源:2026 年 11 月 6 日第二届中国 AI × HR 创新大赛暨 2026 年度 DHR 峰会现场,滴滴 HR 数据智能体分享与导师点评(飞书妙记及现场大屏照片);讲者姓名以大赛官方信息为准。
我是雷神,专注 AI+HR 观察,每天从已核验的情报里挑一篇值得细读的讲清楚。
既然看到这里了,如果觉得有用,随手点个赞、在看、转发三连吧。
THANKS FOR READING

